计量经济学

面向本科生与研究生的计量经济学基础课程，从数据、回归和推断进入内生性、面板、时间序列与可重复实证。

计量经济学：从数据到可检验的经济论证

计量经济学不是“把数据放进回归软件”。它是一套把经济理论转化为可观测变量、参数、估计量和不确定性陈述的语言。学习的核心顺序应当是：

Rendering diagram…

本科生先掌握概率、回归、推断和数据分析；研究生进一步学习渐近理论、矩估计、极大似然、面板、时间序列、非参数方法和因果识别。本课程是后续微观计量经济学的共同基础，但不把所有因果设计提前塞进一个章节。

一项实证研究通常需要三门课同时工作：宏观或微观理论提出机制，计量经济学提供估计与推断，微观计量提供识别设计。

完成课程后，你应能够：

层级	学习标准	扩展任务
本科生	能定义变量、解释 OLS、计算置信区间、识别常见偏误并完成基础实证报告。	比较不同标准误、函数形式和样本划分。
研究生	能写出识别假设、渐近方差、估计对象和推断策略。	处理弱识别、有限样本、非线性、聚类结构、模型选择和外部有效性。

需要掌握概率分布、期望方差、条件期望、线性代数、微积分和基础编程。开始前回答：

一个典型问题是教育年限是否提高工资。简单回归为：

\log(wage_i)=\beta_0+\beta_1 education_i+u_i.

$\beta_1$ 的回归含义是教育年限与工资对数的条件线性关系；要解释成教育的因果回报，还需要假设教育与潜在工资中的未观测能力、家庭背景和偏好没有共同变化，或者用更可信的设计处理内生性。

如果能力同时提高教育和工资，OLS 可能高估教育回报；如果教育选择与未观测因素方向复杂，偏误方向未必确定。加入可观测控制变量可以改变比较对象，但不能自动解决未观测混淆。

章节	主题	重点	页面
01	数据、概率与回归对象	变量、样本、条件期望、目标参数	进入第一章
02	OLS 与几何解释	投影、偏误、FWL、函数形式	进入第二章
03	推断与稳健标准误	t/F 检验、异方差、聚类、bootstrap	进入第三章
04	内生性与工具变量	IV、2SLS、弱工具与 LATE	进入第四章
05	面板与时间序列	固定效应、动态、平稳性和预测	进入第五章
06	估计与因果设计	MLE、GMM、实验、DID、RDD 的共同基础	进入第六章
07	可重复实证项目	数据字典、代码、表格、审计与写作	进入第七章
08	浏览器回归实验	OLS、遗漏变量、稳健推断、IV、固定效应与 Bootstrap	进入实验课
09	前沿文献与现代计量	交错处理、稳健事件研究与多模态 DML 如何改变估计对象？	进入前沿课

周次	本科生任务	研究生扩展
1	概率、抽样与变量定义	条件期望与投影定理
2	CEF、线性投影和相关	函数空间与最优预测
3	OLS 推导和解释	矩阵渐近与识别
4	偏误、函数形式和 FWL	高维控制与正则化直觉
5	t/F 检验和置信区间	Wald、LM、LR 与局部渐近
6	异方差、聚类和 bootstrap	多维聚类、随机化推断
7	内生性与 IV 直觉	2SLS、弱 IV、LIML、LATE
8	面板固定效应	动态面板与序列相关
9	时间序列基础	单位根、协整和局部投影
10	极大似然与 GMM 概览	识别、矩条件和过度识别
11	浏览器回归实验	用 Python/R 复现 OLS、IV、固定效应与 Bootstrap
12	前沿文献与估计对象审计	交错 DID、插补估计与多模态 DML
13	研究报告与口头答辩	论文式写作、敏感性分析和研究设计评审

每个估计结果都应同时回答五个问题：目标参数是什么、识别来自哪里、估计量怎样构造、标准误为何匹配数据结构、结论对哪些设定敏感。公式推导以 Wooldridge、Hayashi 与 Hansen 的标准结果为基线；应用解释则以可重复的数据生成过程和模拟实验校验。

浏览器回归实验为同一问题同时提供 Python 与 R 实现。代码只使用当前站点已经接入的 Pyodide、webR 及其可用基础包，点击运行即可修改样本量、误差结构和处理强度。合成数据用于隔离统计机制，不应被误读为真实经验结论。

先完成本课程的估计与推断基础，再进入微观计量经济学，把“会估计”推进到“能构造可信反事实”。

第十二章：前沿文献与现代资产定价案例（2023—2026）

通过深度资产定价、因子复现与公司气候暴露研究连接无套利、模型选择、文本度量和样本外检验。

第一章：数据、概率与回归对象

从样本、总体、条件期望和线性投影开始建立计量经济学语言。